Cơ Sở Lý Thuyết Của Năng Lực Trí Tuệ Nhân Tạo

Xây dựng cơ sở lý thuyết về năng lực trí tuệ nhân tạo (Theoretical Foundations of Artificial Intelligence Capability) là nhiệm vụ trọng tâm khi nhà nghiên cứu viết Chương Cơ sở lý thuyết cho luận văn thạc sĩ, luận án tiến sĩ hoặc bài báo khoa học. Do năng lực trí tuệ nhân tạo bao hàm cả hạ tầng công nghệ, kỹ năng con người, quy trình học tập tổ chức và khả năng thích ứng chiến lược, một lý thuyết đơn lẻ thường không đủ sức giải thích toàn bộ các mắt xích trong mô hình nghiên cứu. Thay vào đó, các học giả quốc tế thường kết hợp Lý thuyết Năng lực động (DCT) với Lý thuyết dựa trên nguồn lực (RBV/NRBV), Lý thuyết dựa trên tri thức (KBV), Lý thuyết Thuận hai tay và Lý thuyết Thể chế để biện luận chặt chẽ cho từng giả thuyết.

Cơ Sở Lý Thuyết Của Năng Lực Trí Tuệ Nhân Tạo

Lý thuyết Năng lực động (DCT) – Hệ quy chiếu trụ cột trong nghiên cứu Năng lực AI

Được khởi xướng bởi Teece, Pisano, và Shuen (1997) cùng Teece (2007), Lý thuyết Năng lực động (DCT) xuất hiện trong cả 35/35 nghiên cứu thực nghiệm của bài tổng quan. DCT giải thích cách doanh nghiệp duy trì lợi thế cạnh tranh trong môi trường biến động thông qua ba tiến trình: nhận diện cơ hội và rủi ro (sensing), nắm bắt cơ hội và ra quyết định đầu tư (seizing), cùng tái cấu trúc tài sản và quy trình vận hành (reconfiguring). Trong nghiên cứu về AI, DCT là cơ sở để chứng minh rằng công nghệ chỉ tạo ra giá trị khi được tích hợp vào các năng lực thích ứng động của tổ chức.

Lý thuyết Nguồn lực (RBV), Nguồn lực tự nhiên (NRBV) và Điều phối nguồn lực

Để giải thích cấu trúc hình thành năng lực AI từ các tài sản đầu vào, 6 nghiên cứu kết hợp DCT với Lý thuyết dựa trên nguồn lực (RBV; Barney, 1991) và Lý thuyết dựa trên nguồn lực tự nhiên (NRBV; Hart, 1995) (như Bibi et al., 2025; Chen et al., 2026; Javed et al., 2026; Kugeza, 2026; Ratanacharooenchai & Jantapoon, 2026). Dưới lăng kính RBV, năng lực AI được cấu thành từ sự kết hợp không thể tách rời giữa ba nguồn lực: hạ tầng công nghệ hữu hình, kỹ năng nhân sự và văn hóa dữ liệu vô hình (Mikalef & Gupta, 2021). Trong khi đó, NRBV mở rộng góc nhìn nguồn lực sang trách nhiệm môi trường, giải thích cách năng lực AI xanh thúc đẩy phòng ngừa ô nhiễm, kinh tế tuần hoàn và phát triển bền vững.

Hai lý thuyết này bổ sung cho RBV bằng cách nhấn mạnh vai trò chủ động của nhà quản trị trong việc cấu trúc (structuring), đóng gói (bundling) và khai thác (leveraging) sự bổ trợ lẫn nhau giữa tài sản thuật toán và trí tuệ con người.

Lý thuyết Tri thức (KBV), Học tập tổ chức (OLT) và Xử lý thông tin (IPT)

Bởi bản chất hoạt động của trí tuệ nhân tạo là khai thác dữ liệu để trích xuất tri thức và giảm độ bất định thông tin, nhóm lý thuyết thứ hai được các học giả sử dụng rộng rãi bao gồm:

  • Lý thuyết dựa trên tri thức (KBV) và Lý thuyết Học tập tổ chức (OLT) (4 nghiên cứu): Kế thừa nền tảng từ Grant (1996), 4 công trình (như Kugeza, 2026; Lu et al., 2026) sử dụng KBV và OLT để giải thích cách năng lực AI thúc đẩy quá trình thu nhận, đồng hóa, tích hợp tri thức xanh (green knowledge integration), nâng cao năng lực hấp thụ (absorptive capacity) và bồi đắp vốn trí tuệ đa chiều (multidimensional intellectual capital).
  • Lý thuyết Xử lý thông tin (Information Processing Theory – IPT) và Logic Tự động hóa nhận thức (2 nghiên cứu): Giải thích cách năng lực AI và việc tích hợp mô hình ngôn ngữ lớn (LLM) giúp gia tăng năng lực xử lý thông tin của doanh nghiệp nhằm đáp ứng độ phức tạp của chuỗi cung ứng.
  • Lý thuyết Khả năng cung ứng công nghệ (Technology Affordance) (1 nghiên cứu): Lý giải cách các tính năng kỹ thuật của hệ thống AI tương tác với mục tiêu của người dùng để tạo ra hành động đổi mới trong tổ chức.
Cơ Sở Lý Thuyết Của Năng Lực Trí Tuệ Nhân Tạo

Lý thuyết Thuận hai tay (Ambidexterity), Thể chế và Ngẫu nhiên

Để biện luận cho các biến trung gian đổi mới sáng tạo và các biến điều tiết thuộc môi trường bên ngoài, Bảng 2 trong nghiên cứu của Nguyen et al. (2026) ghi nhận nhóm lý thuyết thứ ba:

  • Lý thuyết Thuận hai tay (Ambidexterity Theory – 2 nghiên cứu): Giải thích cách năng lực AI giúp doanh nghiệp cân bằng đồng thời giữa đổi mới khai thác (exploitative innovation – tối ưu hóa vận hành hiện tại) và đổi mới khai phá (exploratory innovation – phát triển sản phẩm số hoặc mô hình kinh doanh xanh mới) (Kumar et al., 2025).
  • Lý thuyết Thể chế và Các bên liên quan (Institutional & Stakeholder Theory – 2 nghiên cứu): Giải thích tác động của quy định pháp lý, chính sách hỗ trợ của chính phủ và áp lực từ các bên liên quan đối với việc ứng dụng năng lực AI hướng tới phát triển bền vững.
  • Lý thuyết Ngẫu nhiên (Contingency Theory) và Lý thuyết Hệ thống phức hợp (Complexity Theory) (3 nghiên cứu): Khẳng định tác động của năng lực AI lên kết quả doanh nghiệp phụ thuộc chặt chẽ vào sự tương thích với các biến điều tiết như biến động công nghệ, bất định môi trường và cú sốc địa chính trị (AlQershi et al., 2026).
Hệ quy chiếu Lý thuyếtSố nghiên cứu áp dụng (n = 35)Vai trò giải thích trong Mô hình Năng lực AITác giả tiêu biểu trong Nguyen et al. (2026) 
Lý thuyết Năng lực động (DCT / DCV)35 nghiên cứuGiải thích cơ chế nhận diện (sensing), nắm bắt (seizing) và tái cấu trúc (reconfiguring)Abou-Foul et al. (2023); Chen et al. (2026); Lu et al. (2026); và 32 bài khác
Lý thuyết Nguồn lực (RBV) & Nguồn lực tự nhiên (NRBV)6 nghiên cứuGiải thích cấu trúc 3 thành phần của năng lực AI (hữu hình, nhân sự, vô hình) và định hướng bền vữngBibi et al. (2025); Chen et al. (2026); Javed et al. (2026); Kugeza (2026); Ratanacharooenchai & Jantapoon (2026)
Lý thuyết Tri thức (KBV) & Học tập tổ chức (OLT)4 nghiên cứuGiải thích quá trình tích hợp tri thức, năng lực hấp thụ và phát triển vốn trí tuệ qua AIKugeza (2026); Lu et al. (2026); Mikalef & Gupta (2021)
Lý thuyết Thuận hai tay (Ambidexterity Theory)2 nghiên cứuGiải thích sự cân bằng giữa đổi mới khai phá và đổi mới khai thác nhờ năng lực AIKumar et al. (2025); Ahmad (2025)
Lý thuyết Thể chế & Các bên liên quan2 nghiên cứuGiải thích áp lực chính sách, sự hỗ trợ của chính phủ và tính chính danh trong chuyển đổi xanh – sốTai et al. (2025); Sangsak (2026)
Lý thuyết Ngẫu nhiên & Lý thuyết Phức hợp3 nghiên cứuGiải thích vai trò của các biến điều tiết môi trường và các cấu hình điều kiện (fsQCA)H. Liu et al. (2026); D. Y. Liu et al. (2026); AlQershi et al. (2026)
Lý thuyết Xử lý thông tin (IPT), Tự động hóa nhận thức & Điều phối nguồn lực5 nghiên cứuGiải thích năng lực xử lý dữ liệu chuỗi cung ứng, tích hợp LLM và điều phối tài sản sốRahman & Shamsuddoha (2025); W. Liu et al. (2026); Mousa et al. (2025)
Cơ Sở Lý Thuyết Của Năng Lực Trí Tuệ Nhân Tạo

Ba mô hình phối hợp đa lý thuyết khi thiết kế Chương Cơ sở lý thuyết

Kế thừa bảng phân loại 16 lý thuyết từ nghiên cứu về cơ sở lý thuyết về năng lực trí tuệ nhân tạo trong nghiên cứu năng lực động của Nguyen, T. P., Tran, D. K., & Nguyen, T. H. H. (2026), AI capability in dynamic capabilities: A systematic literature review using the TCCM framework, In Proceedings of the International Conference on Business Sustainability (ICBS 2026) (pp. 357–370), Information and Communications Publishing House, nhà nghiên cứu có thể lựa chọn một trong ba tổ hợp lý thuyết sau cho đề tài của mình:

  • Tổ hợp 1 (RBV + DCT): Dùng RBV để định nghĩa 3 cấu phần của biến độc lập Năng lực AI (hữu hình, nhân sự, vô hình) và dùng DCT để biện luận cho các biến trung gian như sự nhạy bén tổ chức hoặc khả năng phục hồi chuỗi cung ứng.
  • Tổ hợp 2 (KBV / IPT + DCT): Dùng KBV hoặc IPT để giải thích quá trình xử lý thông tin, tích hợp tri thức từ AI tạo sinh (Generative AI / LLM) và nâng cao năng lực hấp thụ, kết hợp DCT để giải thích đổi mới mô hình kinh doanh.
  • Tổ hợp 3 (NRBV + Lý thuyết Thể chế + DCT): Dùng Lý thuyết Thể chế để biện luận áp lực chính sách môi trường, kết hợp NRBV và DCT để giải thích cơ chế năng lực AI xanh thúc đẩy kinh tế tuần hoàn và hiệu quả ESG.

Tài liệu tham khảo (Chuẩn APA 7th)

Abou-Foul, M., Ruiz-Alba, J. L., & López-Tenorio, P. J. (2023). The impact of artificial intelligence capabilities on servitization: The moderating role of absorptive capacity—A dynamic capabilities perspective. Journal of Business Research, 157, 113609. https://doi.org/10.1016/j.jbusres.2022.113609

Ahmad, Z. (2025). Unlocking AI capabilities: Exploring strategic fit, innovation ambidexterity, and digital entrepreneurial intent in driving digital transformation. Journal of Management Development, 44(2), 194–218. https://doi.org/10.1108/JMD-06-2024-0197

Al Halbusi, H., Popa, S., Soto-Acosta, P., & Abdelallag, M. (2025). The nexus of managerial and technical AI knowledge, disruptive innovation and the circular economy: The role of organizational change capability and financial resilience. Technology in Society, 82, 102937. https://doi.org/10.1016/j.techsoc.2025.102937

Al-Khatib, A. W., Al-Fadhel, H. A., & Khattab, M. (2026). How can generative artificial intelligence improve digital supply chain performance in manufacturing firms? Analyzing the mediating role of innovation ambidexterity using hybrid analysis through CB-SEM and PLS-SEM. Knowledge Management Research & Practice, 24(1), 1–16.

AlQershi, N., Ramayah, T., Alzuraiki, M., & Emam, A. S. M. (2026). Artificial intelligence and strategic resilience in international business: A new theory of multinational adaptation to geopolitical shocks. Review of International Business and Strategy, 36(1), 1–27. https://doi.org/10.1108/RIBS-03-2025-0061

Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99–120.

Bibi, M., Tan, T. G., & Yau, H. (2025). Exploring the impact of AI capabilities on employee well-being: A mediated moderation analysis. SAGE Open, 15(3), 21582440251365692. https://doi.org/10.1177/21582440251365692

Camargo, G. F., Morales, V. M., Nascimento, D. L., & Tortorella, G. L. (2025). Exploring the role of corporate foresight in the coordination between dynamic capabilities and artificial intelligence in green innovation: A multi-continent comparison. IEEE Transactions on Engineering Management, 72, 1–14. https://doi.org/10.1109/TEM.2025.3533456

Chen, X., Li, Y., Tang, G., Li, W., & Guo, Z. (2026). Exploring how artificial intelligence capabilities impact corporate sustainability performance: Insights from Chinese manufacturing firms. Technovation, 151, 103428. https://doi.org/10.1016/j.technovation.2025.103428

Chowdhury, S., Ren, S., & Dey, P. K. (2026). AI assimilation for sustainable and resilient supply chains: Role of green ambidexterity and cybersecurity awareness. Technovation, 153, 103562. https://doi.org/10.1016/j.technovation.2026.103562

Dubey, R., Gunasekaran, A., Childe, S. J., Bryde, D. J., Giannakis, M., Foropon, C., & Hazen, B. T. (2020). Big data analytics and artificial intelligence pathway to operational performance under the effects of entrepreneurial orientation and environmental dynamism: A study of manufacturing organisations. International Journal of Production Economics, 226, 107599. https://doi.org/10.1016/j.ijpe.2019.107599

Duong, C. D. (2026). The green transition journey: How digital platforms and AI capabilities drive green ambidexterity innovation, circular economy, and sustainable performance. World Development Sustainability, 8, 100268. https://doi.org/10.1016/j.wds.2025.100268

Fosso Wamba, S., Queiroz, M. M., Pappas, I. O., & Sullivan, Y. (2024). Artificial intelligence capability and firm performance: A sustainable development perspective by the mediating role of data-driven culture. Information Systems Frontiers, 26(6), 2315–2330. https://doi.org/10.1007/s10796-023-10456-3

Grant, R. M. (1996). Toward a knowledge-based theory of the firm. Strategic Management Journal, 17(S2), 109–122.

Hart, S. L. (1995). A natural-resource-based view of the firm. Academy of Management Review, 20(4), 986–1014.

Javed, M., Švecová, L., Danko, L., & Tučková, Z. (2026). Harnessing artificial intelligence and employee resilience for enhanced business performance: A resource-based and dynamic capabilities perspective. Human Behavior and Emerging Technologies, 2026, 1701205. https://doi.org/10.1155/hbet/1701205

Kugeza, G. (2026). AI-augmented decision-making and sustainability performance in SMEs: A hybrid PLS-SEM, ANN, and multi-group analysis. Business Strategy and the Environment, 35(2), 812–829.

Kumar, S., Kumar, V., Chaudhuri, R., Chatterjee, S., & Vrontis, D. (2025). AI capability and environmental sustainability performance: Moderating role of green knowledge management. Technology in Society, 81, 102878. https://doi.org/10.1016/j.techsoc.2025.102878

Le, A. D., Vu, N. T., Phan, T. T. H., & Dao, V. T. (2026). AI-enabled business model transformation and entrepreneurial quality: The moderating effect of technological turbulence. Technology in Society, 85, 103062. https://doi.org/10.1016/j.techsoc.2025.103062

Le, T. L. (2026). Green AI, strategic flexibility, and open innovation: Advancing circular economy and sustainable performance in SMEs. Journal of Open Innovation: Technology, Market, and Complexity, 12(1), 100452.

Lee, K., Lee, S., & Kim, S. (2026). AI for decision-making: Exploring the linkage from AI capability to firm performance. Aslib Journal of Information Management, 78(3), 512–534. https://doi.org/10.1108/AJIM-04-2025-0241

Li, L., Xu, C., Zhang, Q., Liu, Y., & Li, Q. (2025). Leveraging generative AI capabilities for competitive advantage in B2B service firms: A moderated mediation analysis of environmental dynamism and digital service innovation. Industrial Marketing Management, 124, 112–126.

Lu, J., Fan, L., Troise, C., & Bresciani, S. (2026). Exploring the nexus between artificial intelligence capability, multidimensional intellectual capital, and organizational agility of SMEs. Journal of Innovation & Knowledge, 11(2), 100697. https://doi.org/10.1016/j.jik.2026.100697

Mikalef, P., & Gupta, M. (2021). Artificial intelligence capability: Conceptualization, measurement calibration, and empirical study on its impact on organizational creativity and firm performance. Information & Management, 58(3), 103434. https://doi.org/10.1016/j.im.2021.103434

Moher, D., Liberati, A., Tetzlaff, J., & Altman, D. G. (2009). Preferred reporting items for systematic reviews and meta-analyses: The PRISMA statement. BMJ, 339, b2535. https://doi.org/10.1136/bmj.b2535

Nguyen, T. P., Tran, D. K., & Nguyen, T. H. H. (2026). AI capability in dynamic capabilities: A systematic literature review using the TCCM framework. In Proceedings of the International Conference on Business Sustainability (ICBS 2026) (pp. 357–370). Information and Communications Publishing House. https://www.researchgate.net/publication/416933536_AI_CAPABILITY_IN_DYNAMIC_CAPABILITIES_A_SYSTEMATIC_LITERATURE_REVIEW_USING_THE_TCCM_FRAMEWORK

Paul, J., & Rosado-Serrano, A. (2019). Gradual internationalization vs born-global/international new venture models: A review and research agenda. International Marketing Review, 36(6), 830–858. https://doi.org/10.1108/IMR-10-2018-0280

Ratanacharooenchai, C., & Jantapoon, K. (2026). The mediating role of supply chain resilience in the relationship between AI capabilities and sustainability performance: Evidence from manufacturing SMEs. Sustainable Futures, 11, 101789. https://doi.org/10.1016/j.sftr.2026.101789

Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319–1350. https://doi.org/10.1002/smj.640

Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509–533.

Lên đầu trang